FlowerDance：用于高效精细 3D 舞蹈生成的 MeanFlow
计算机视觉与模式识别
2025-12-22 v2
摘要
音乐到舞蹈生成旨在将听觉信号转化为富有表现力的人体动作，在虚拟现实、编舞和数字娱乐领域有着广泛的应用。尽管取得了令人鼓舞的进展，但现有方法有限的生成效率为高保真 3D 渲染留下的计算余量不足，从而限制了 3D 角色在实际应用中的表现力。因此，我们提出了 FlowerDance，它不仅能够生成具有物理合理性和艺术表现力的精细动作，而且在推理速度和内存利用率方面实现了显著的生成效率。具体来说，FlowerDance 结合了 MeanFlow 和物理一致性约束，这使得只需少量采样步骤即可生成高质量的动作。此外，FlowerDance 利用了一种简单但高效的模型架构，该架构基于 BiMamba 的主干网络和通道级跨模态融合，以高效的非自回归方式生成舞蹈。同时，FlowerDance 支持动作编辑，使用户能够交互式地优化舞蹈序列。在 AIST++ 和 FineDance 上的大量实验表明，FlowerDance 在动作质量和生成效率方面都达到了最先进的结果。代码将在接收后发布。项目页面：https://flowerdance25.github.io/ 。
引用
@article{arxiv.2511.21029,
title = {FlowerDance: MeanFlow for Efficient and Refined 3D Dance Generation},
author = {Kaixing Yang and Xulong Tang and Ziqiao Peng and Xiangyue Zhang and Puwei Wang and Jun He and Hongyan Liu},
journal= {arXiv preprint arXiv:2511.21029},
year = {2025}
}